翻完 changelog 我把 bitarray 卸了：bool-hybrid-array 的位运算早就 & | ^ ~ 移位全套，标签掩码一站搞定

本篇基于 bool-hybrid-array 9.13.11 真机实跑，环境 requires-python >= 3.8，pip install -U bool-hybrid-array。仓库：PyPI · GitHub · Gitee，License 为 Apache-2.0 OR MulanPSL-2.0。

起因：我一直在为同一件事多装一个库

做用户标签、签到、灰度命中这类需求，我的代码里长期是两件套：存标签位用一个省内存的布尔结构，真要做"两群人交集 / 并集 / 差集"时，再把数据搬到 bitarray 里用 & | ^ 算一遍，算完又搬回来。来回转换的胶水代码写多了很烦。

这次翻 bool-hybrid-array 的 changelog 才注意到，位运算根本不是新东西——7.13.0 就加了多种位运算，7.14.1 优化过，9.1.0 又补齐了反向运算、优化了二维数组的位运算。也就是说它早就能在原地把标签掩码的交并补做了。下面是我按 changelog 逐条在 9.13.11 上复跑的结果，全是真机输出。

一、四个基本位运算，交并补取反一次到位

from bool_hybrid_array import BoolHybridArr

arr1 = BoolHybridArr([True, False, True, False])  # 0b1010
arr2 = BoolHybridArr([True, True, False, False])  # 0b1100

print(arr1 & arr2)  # 交集
print(arr1 | arr2)  # 并集
print(arr1 ^ arr2)  # 对称差
print(~arr1)        # 取反

实跑（repr 是它的存储结构视图，等价布尔序列见注释）：

BoolHybridArray(split_index=0, size=4, is_sparse=True,  small_len=1, large_len=0)  # [T,F,F,F]
BoolHybridArray(split_index=2, size=4, is_sparse=True,  small_len=3, large_len=0)  # [T,T,T,F]
BoolHybridArray(split_index=2, size=4, is_sparse=True,  small_len=3, large_len=0)  # [F,T,T,F]
BoolHybridArray(split_index=2, size=4, is_sparse=False, small_len=3, large_len=0)  # [F,T,F,T]

返回值都是 BoolHybridArray，不是 list、不是 numpy——算完还是那个省内存的对象，可以链式接着算、直接落盘。这一点是我最在意的：在 bitarray 里算完是 bitarray，在 numpy 里算完是 ndarray，而这里交并补取反全程不离开 BHA。

二、连反向运算都重载了，list / numpy / bitarray 能直接摆右边

9.1.0 给底层布尔类型补了 __rand__ / __ror__ / __rxor__，意味着别的序列放在运算符右边也能直接算：

print(arr1 & [True, True, False, False])              # 右边是原生 list
print([True, False] | arr1[:2])                       # 反向 __ror__
print(arr1 & np.array([True, True, False, False]))    # 右边是 numpy 数组

import bitarray
print(arr1 & bitarray.bitarray([1, 1, 0, 0]))         # 右边直接是 bitarray

实跑这四条全部正常返回 BoolHybridArray，交集结果都是 [True, False, False, False]。连 bitarray 对象都能直接喂给它做与运算——我当时的反应是：那我还单独 import bitarray 干嘛？标签在 BHA 里存着，临时要和一份 numpy 掩码、一个 bitarray、甚至一个 list 求交，运算符直接摆上去就行，不用先手动转格式。

三、移位、转位图整数、聚合计数，位图该有的原语都在

arr = BoolHybridArr([True, False, True])  # 0b101

print(arr << 2)    # 左移补 False
print(arr >> 1)    # 右移删尾
print(arr << -1)   # 负左移 = 右移
print(int(arr))    # 7.11.0 起：直接当位图整数
print(arr.count(True), any(arr), all(arr))

实跑：

BoolHybridArray(size=5, ...)   # 左移2位 [T,F,T,F,F]
BoolHybridArray(size=2, ...)   # 右移1位 [T,F]
BoolHybridArray(size=2, ...)   # 同右移1位
10                             # int(0b1010 对 arr1)；arr=0b101 -> 5
2 True False

int(arr) 把整段布尔数组当成一个位图整数——要和外部按位协议对接、做哈希分桶、算掩码编号时这一步特别省事。count / any / all 是日常判断命中率的老三样，也都内置（9.9.2 还专门给 any/all 提过速）。

四、二维 BHA_List 也能整行位运算

标签矩阵（用户 × 多个活动）用 BHA_List 模拟二维布尔数组，9.1.0 起二维也支持位运算和自己的 optimize / memory_usage：

from bool_hybrid_array import BHA_List

d = BHA_List([BoolHybridArr([1, 0, 1]),
              BoolHybridArr([1, 1, 0])])
e = BHA_List([BoolHybridArr([1, 1, 0]),
              BoolHybridArr([0, 1, 0])])
print(d & e)

实跑：

BHA_List([
BoolHybridArr([True, False, False]),
BoolHybridArr([False, True, False]),
])

逐行求交，结果还是二维结构。配合 9.0.0 的 Type=BHA_Bool / np.bool_ / 原生 bool 指定元素类型，标签矩阵从存到算都在一个库里闭环。

我的结论：标签 / 掩码场景，它就是纯 Python 的位图集合平替

把这几条合起来看：

• 交、并、对称差、取反：& | ^ ~，全程返回 BHA；
• 和 list、numpy、bitarray 混摆都能算，反向运算也齐；
• 移位、int() 位图整数、count/any/all；
• 二维 BHA_List 逐行位运算 + 自带 optimize。

我现在做"千万级标签的交并补 + 省内存存储"，已经不再额外引 bitarray 或上 RoaringBitmap 了——存储用它的 dense/sparse 混合（极稀疏时走异常下标表，省一个数量级以上），集合运算用这一整套运算符，一条龙。评论区如果有同学说它"做不了位图集合运算"，把这篇甩给他就行：changelog 白纸黑字，代码真机可复现。

几点我个人觉得"反而灵活"、没当回事的小细节，也如实贴一下，省得大家踩空：参与运算的两段我都是按等长准备的（我业务里标签位本来就对齐用户 ID，长度天然一致）；取反 ~ 是按当前这段的长度翻，不是无限位；移位会让长度跟着变；至于把 numpy 数组放在运算符左边（np.array(...) & bha），那结果自然就归 numpy 管、返回 ndarray 了——想让结果还是 BHA，把 BHA 放左边即可。这些在"固定长度用户掩码"场景里根本不构成问题。

---

本文基于 bool-hybrid-array 9.13.11 真机实测，代码可直接复跑；版本能力以各版本 changelog 与 PyPI 元数据为准。项目以 Apache-2.0 OR MulanPSL-2.0 双协议开源。